【数理知识】向量的坐标基表示法,Matlab 代码验证

序号内容
1【数理知识】向量的坐标基表示法,Matlab 代码验证
2【数理知识】向量与基的内积,Matlab 代码验证

文章目录

  • 1. 向量的坐标基表示
  • 2. 二维平面向量举例
  • 3. Matlab 代码验证
  • Ref

1. 向量的坐标基表示

假设空间中存在一个向量 a ⃗ \vec{a} a ,在不同的坐标系(或称坐标基)下,向量 a ⃗ \vec{a} a 由不同的坐标值表示。

当坐标基唯一确定后,对应的坐标值也唯一确定。同时向量也可以由坐标值和坐标基线性组合的形式来表示。

  • 当向量为二维平面的向量时,可表示为
    a ⃗ = a x e ⃗ 1 + a y e ⃗ 2 = [ e ⃗ 1 e ⃗ 2 ] [ a x a y ] \vec{a} = a_x \vec{e}_1 + a_y \vec{e}_2 = \left[\begin{matrix}\vec{e}_1 & \vec{e}_2 \end{matrix}\right] \left[\begin{matrix}a_x \\ a_y \end{matrix}\right] a =axe 1+aye 2=[e 1e 2][axay]

  • 当向量为三维空间的向量时,可表示为
    a ⃗ = a x e ⃗ 1 + a y e ⃗ 2 + a z e ⃗ 3 = [ e ⃗ 1 e ⃗ 2 e ⃗ 3 ] [ a x a y a z ] \vec{a} = a_x \vec{e}_1 + a_y \vec{e}_2 + a_z \vec{e}_3 = \left[\begin{matrix}\vec{e}_1 & \vec{e}_2 & \vec{e}_3 \end{matrix}\right] \left[\begin{matrix}a_x \\ a_y \\ a_z \end{matrix}\right] a =axe 1+aye 2+aze 3=[e 1e 2e 3] axayaz


2. 二维平面向量举例

接下来基于二维平面的一个向量来举例,不过三维空间的情况具有同样的性质和结论。

假设存在一个上述的二维平面向量 a ⃗ \vec{a} a ,在标准坐标基 e ⃗ 1 = [ 1 0 ] , e ⃗ 2 = [ 0 1 ] \vec{e}_1=\left[\begin{matrix} 1 \\ 0 \\ \end{matrix}\right], \vec{e}_2=\left[\begin{matrix} 0 \\ 1 \\ \end{matrix}\right] e 1=[10],e 2=[01] 下的坐标值为 [ a x a y ] = [ 3 4 ] \left[\begin{matrix}a_x \\ a_y \end{matrix}\right] = \left[\begin{matrix}3 \\ 4 \end{matrix}\right] [axay]=[34]。那么此向量可以表示为

a ⃗ = a x e ⃗ 1 + a y e ⃗ 2 = [ e ⃗ 1 e ⃗ 2 ] [ a x a y ] = 3 [ 1 0 ] + 4 [ 0 1 ] = [ 1 0 0 1 ] [ 3 4 ] = [ 3 4 ] \begin{aligned} \vec{a} &= a_x \vec{e}_1 + a_y \vec{e}_2 = \left[\begin{matrix}\vec{e}_1 & \vec{e}_2 \end{matrix}\right] \left[\begin{matrix}a_x \\ a_y \end{matrix}\right] \\ &= 3 \left[\begin{matrix}1 \\ 0 \end{matrix}\right] + 4 \left[\begin{matrix}0 \\ 1 \end{matrix}\right] = \left[\begin{matrix} 1 & 0 \\ 0 & 1 \end{matrix}\right] \left[\begin{matrix}3 \\ 4 \end{matrix}\right] = \left[\begin{matrix}3 \\ 4 \end{matrix}\right] \end{aligned} a =axe 1+aye 2=[e 1e 2][axay]=3[10]+4[01]=[1001][34]=[34]

现在,我们更改坐标基为 e ⃗ 1 ′ = [ 1 2 1 2 ] , e ⃗ 2 ′ = [ − 1 2 1 2 ] \vec{e}_{1^\prime}=\left[\begin{matrix} \frac{1}{\sqrt{2}} \\ \frac{1}{\sqrt{2}} \\ \end{matrix}\right], \vec{e}_{2^\prime}=\left[\begin{matrix} -\frac{1}{\sqrt{2}} \\ \frac{1}{\sqrt{2}} \\ \end{matrix}\right] e 1=[2 12 1],e 2=[2 12 1],此新基下的坐标值为 [ a x ′ a y ′ ] = [ 7 2 1 2 ] \left[\begin{matrix}a_{x^\prime} \\ a_{y^\prime} \end{matrix}\right] = \left[\begin{matrix} \frac{7}{\sqrt{2}} \\ \frac{1}{\sqrt{2}} \end{matrix}\right] [axay]=[2 72 1]。那么此向量可以表示为

a ⃗ = 7 2 [ 1 2 1 2 ] + 1 2 [ − 1 2 1 2 ] = [ 1 2 − 1 2 1 2 1 2 ] [ 7 2 1 2 ] = [ 3 4 ] \begin{aligned} \vec{a} &= \frac{7}{\sqrt{2}} \left[\begin{matrix}\frac{1}{\sqrt{2}} \\ \frac{1}{\sqrt{2}} \end{matrix}\right] + \frac{1}{\sqrt{2}} \left[\begin{matrix}-\frac{1}{\sqrt{2}} \\ \frac{1}{\sqrt{2}} \end{matrix}\right] = \left[\begin{matrix} \frac{1}{\sqrt{2}} & -\frac{1}{\sqrt{2}} \\ \frac{1}{\sqrt{2}} & \frac{1}{\sqrt{2}} \end{matrix}\right] \left[\begin{matrix} \frac{7}{\sqrt{2}} \\ \frac{1}{\sqrt{2}} \end{matrix}\right] = \left[\begin{matrix}3 \\ 4 \end{matrix}\right] \end{aligned} a =2 7[2 12 1]+2 1[2 12 1]=[2 12 12 12 1][2 72 1]=[34]

上述例子我们可以看到,无论是在哪个坐标基下,永远存在如下等式

a ⃗ = a x e ⃗ 1 + a y e ⃗ 2 = [ e ⃗ 1 e ⃗ 2 ] [ a x a y ] = a x ′ e ⃗ 1 ′ + a y ′ e ⃗ 2 ′ = [ e ⃗ 1 ′ e ⃗ 2 ′ ] [ a x ′ a y ′ ] \begin{aligned} \vec{a} &= a_x \vec{e}_1 + a_y \vec{e}_2 = \left[\begin{matrix}\vec{e}_1 & \vec{e}_2 \end{matrix}\right] \left[\begin{matrix}a_x \\ a_y \end{matrix}\right] \\ &= a_{x^\prime} \vec{e}_{1^\prime} + a_{y^\prime} \vec{e}_{2^\prime} = \left[\begin{matrix}\vec{e}_{1^\prime} & \vec{e}_{2^\prime} \end{matrix}\right] \left[\begin{matrix}a_{x^\prime} \\ a_{y^\prime} \end{matrix}\right] \end{aligned} a =axe 1+aye 2=[e 1e 2][axay]=axe 1+aye 2=[e 1e 2][axay]

针对三维空间中的向量,同样具有类似的结论。


至于新基下的坐标值是如何得到的,我们可以通过以下步骤实现

[ e ⃗ 1 e ⃗ 2 ] [ a x a y ] = [ e ⃗ 1 ′ e ⃗ 2 ′ ] [ a x ′ a y ′ ] [ e ⃗ 1 ′ e ⃗ 2 ′ ] − 1 [ e ⃗ 1 e ⃗ 2 ] [ a x a y ] = [ a x ′ a y ′ ] [ 1 2 − 1 2 1 2 1 2 ] − 1 [ 1 0 0 1 ] [ 3 4 ] = [ 7 2 1 2 ] \begin{aligned} \left[\begin{matrix}\vec{e}_1 & \vec{e}_2 \end{matrix}\right] \left[\begin{matrix}a_x \\ a_y \end{matrix}\right] &= \left[\begin{matrix}\vec{e}_{1^\prime} & \vec{e}_{2^\prime} \end{matrix}\right] \left[\begin{matrix}a_{x^\prime} \\ a_{y^\prime} \end{matrix}\right] \\ \left[\begin{matrix}\vec{e}_{1^\prime} & \vec{e}_{2^\prime} \end{matrix}\right]^{-1} \left[\begin{matrix}\vec{e}_1 & \vec{e}_2 \end{matrix}\right] \left[\begin{matrix}a_x \\ a_y \end{matrix}\right] &= \left[\begin{matrix}a_{x^\prime} \\ a_{y^\prime} \end{matrix}\right] \\ \left[\begin{matrix} \frac{1}{\sqrt{2}} & -\frac{1}{\sqrt{2}} \\ \frac{1}{\sqrt{2}} & \frac{1}{\sqrt{2}} \end{matrix}\right]^{-1} \left[\begin{matrix} 1 & 0 \\ 0 & 1 \end{matrix}\right] \left[\begin{matrix} 3 \\ 4 \end{matrix}\right] &= \left[\begin{matrix} \frac{7}{\sqrt{2}} \\ \frac{1}{\sqrt{2}} \end{matrix}\right] \\ \end{aligned} [e 1e 2][axay][e 1e 2]1[e 1e 2][axay][2 12 12 12 1]1[1001][34]=[e 1e 2][axay]=[axay]=[2 72 1]

请添加图片描述


3. Matlab 代码验证

a_x = 3;
a_y = 4;e_1 = [ 10];
e_2 = [ 01];a_x_prime = 7/sqrt(2);
a_y_prime = 1/sqrt(2);e_1_prime = [ sqrt(2)/2sqrt(2)/2];
e_2_prime = [-sqrt(2)/2sqrt(2)/2];
>> pinv([e_1_prime  e_2_prime]) * [e_1  e_2] * [a_x; a_y]
ans =4.94970.7071>> a_x_prime
ans =4.9497>> a_y_prime
ans =0.7071

Ref


本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.rhkb.cn/news/99618.html

如若内容造成侵权/违法违规/事实不符,请联系长河编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

一次网络不通“争吵“引发的思考

作者: 郑明泉、余凯 为啥争吵,吵什么? “你到底在说什么啊,我K8s的ecs节点要访问clb的地址不通和本地网卡有什么关系…” 气愤语气都从电话那头传了过来,这时电话两端都沉默了。过了好一会传来地铁小姐姐甜美的播报声…

学习笔记:Opencv实现拉普拉斯图像锐化算法

2023.8.19 为了在暑假内实现深度学习的进阶学习,Copy大神的代码,记录学习日常 图像锐化的百科: 图像锐化算法-sharpen_lemonHe_的博客-CSDN博客 在环境配置中要配置opencv: pip install opencv-contrib-python Code and lena.png…

sql in mac学习记录

鉴于有一段时间没有访问mysql了,最近打算在mac 系统上下载mysql 练习一下sql的使用,于是 First, the mysql download https://dev.mysql.com/downloads/mysql/ Second, Mysql install steps Install the software by normally install one software …

【算法刷题之数组篇(2)】

目录 1.leetcode-35. 搜索插入位置(简单)2.leetcode-74. 搜索二维矩阵(中等)3.leetcode-73. 矩阵置零(中等)4.leetcode-56. 合并区间(中等)5.leetcode-54. 螺旋矩阵(中等…

了解扩散概率模型 (DPM)

一、介绍 对复杂的概率分布进行建模是机器学习的核心问题。如果这个问题可以出现在不同的形状下,最常见的设置之一如下:给定仅由一些可用样本描述的复杂概率分布,如何生成新样本? 所有生成模型都依赖于相同的基本思想,…

【Python从入门到进阶】32、bs4的基本使用

接上篇《31、使用JsonPath解析淘票票网站地区接口数据》 上一篇我们介绍了如何使用JSONPath来解析淘票票网站的地区接口数据,本篇我们来学习BeautifulSoup的基本概念,以及bs4的基本使用。 一、BeautifulSoup简介 1、bs4基本概念 BeautifulSoup是一个P…

Flink之时间语义

Flink之时间语义 简介 Flink中时间语义可以说是最重要的一个概念了,这里就说一下关于时间语义的机制,我们下看一下下面的表格,简单了解一下 时间定义processing time处理时间,也就是现实世界的时间,或者说代码执行时,服务器的时间event time事件时间,就是事件数据中所带的时…

怎样让音频速度变慢?请跟随以下方法进行操作

怎样让音频速度变慢?在会议录音过程中,经常会遇到主讲人语速过快,导致我们无法清晰听到对方说的内容。如果我们能够减慢音频速度,就能更好地记录对方的讲话内容。此外,在听到快速播放的外语或方言时,我们也…

途乐证券|买了股票但不管可以吗?会不会被撤回?

炒股是个说简略也简略、说难也难的事情,一些股民绞尽脑汁、忙前忙后紧盯大盘,实时剖析,把自己累够呛;一些股民云淡风轻,买了股票却几乎不怎么理睬,兴致来了看两眼,也就算研讨股票行情了。那么&a…

8.4.tensorRT高级(3)封装系列-infer推理封装,输入输出tensor的关联

目录 前言1. infer封装总结 前言 杜老师推出的 tensorRT从零起步高性能部署 课程,之前有看过一遍,但是没有做笔记,很多东西也忘了。这次重新撸一遍,顺便记记笔记。 本次课程学习 tensorRT 高级-infer推理封装,输入输出…

「UG/NX」Block UI 面收集器FaceCollector

✨博客主页何曾参静谧的博客📌文章专栏「UG/NX」BlockUI集合📚全部专栏「UG/NX」NX二次开发「UG/NX」BlockUI集合「VS」Visual Studio「QT」QT5程序设计「C/C+&#

分类预测 | MATLAB实现MTBO-CNN多输入分类预测

分类预测 | MATLAB实现MTBO-CNN多输入分类预测 目录 分类预测 | MATLAB实现MTBO-CNN多输入分类预测预测效果基本介绍程序设计参考资料 预测效果 基本介绍 1.MATLAB实现MTBO-CNN多输入分类预测 2.代码说明:基于登山队优化算法(MTBO)、卷积神经…

使用本地电脑搭建可以远程访问的SFTP服务器

文章目录 1. 搭建SFTP服务器1.1 下载 freesshd 服务器软件1.3 启动SFTP服务1.4 添加用户1.5 保存所有配置 2. 安装SFTP客户端FileZilla测试2.1 配置一个本地SFTP站点2.2 内网连接测试成功 3. 使用cpolar内网穿透3.1 创建SFTP隧道3.2 查看在线隧道列表 4. 使用SFTP客户端&#x…

代码随想录打卡—day21—【二叉树】— 8.21

1 530. 二叉搜索树的最小绝对差 530. 二叉搜索树的最小绝对差 想法:先直接中序遍历(升序的序列)过程中相邻两个数的差值取min,自己写一次AC代码: /*** Definition for a binary tree node.* struct TreeNode {* …

Facebook 应用未启用:这款应用目前无法使用,应用开发者已得知这个问题。

错误:Facebook 应用未启用:这款应用目前无法使用,应用开发者已得知这个问题。应用重新启用后,你便能登录。 「应用未经过审核或未发布」: 如果一个应用还没有经过Facebook的审核或者开发者尚未将应用发布,那么它将无法…

【Mysql】MVCC版本机制的多并发

🌇个人主页:平凡的小苏 📚学习格言:命运给你一个低的起点,是想看你精彩的翻盘,而不是让你自甘堕落,脚下的路虽然难走,但我还能走,比起向阳而生,我更想尝试逆风…

iOS设计规范是什么?都有哪些具体规范

iOS设计规范是苹果为移动设备操作系统iOS制定的设计指南。iOS设计规范的制定保证了苹果应用在外观和操作上的一致性和可用性,从而提高了苹果界面设计的用户体验和应用程序的成功性。本文将从七个方面全面分析iOS设计规范。 1.iOS设计规范完整版分享 由「即时设计」…

【LeetCode75】第三十四题 叶子相似的树

目录 题目: 示例: 分析: 代码: 题目: 示例: 分析: 给我们两棵二叉树,让我们判断这两棵二叉树的从左到右的叶子节点组成的叶子序列是否一致,即从左到右的叶子节点的数…

Open3D 进阶(5)变分贝叶斯高斯混合点云聚类

目录 一、算法原理二、代码实现三、结果展示四、测试数据本文由CSDN点云侠原创,原文链接。如果你不是在点云侠的博客中看到该文章,那么此处便是不要脸的爬虫。 系列文章(连载中。。。爬虫,你倒是爬个完整的呀?): Open3D 进阶(1) MeanShift点云聚类Open3D 进阶(2)DB…

Ajax介绍

1.与服务器进行数据交换:通过 Ajax 可以给服务器发送请求,并获取服务器响应的数据。 2.异步交互:可以在 不重新加载整个页面 的情况下,与服务器交换数据并 更新部分网页 的技术,如: 搜索联想、用户名是否可…